实验目标
- 比较主流问答模型（如BERT、Qwen、RoBERTa）在多轮对话理解与事实核查场景下的表现
- 分析不同数据集（如SQuAD、MSMARCO、Dureader）对模型性能的影响
- 评估模型在中文与英文语料中的跨语言泛化能力
核心对比维度
| 维度 | BERT | Qwen | RoBERTa |
|---|---|---|---|
| 上下文理解 | ⭐⭐⭐ | ⭐⭐⭐⭐ | ⭐⭐⭐⭐⭐ |
| 实时响应速度 | ⏱️2s | ⏱️0.8s | ⏱️1.5s |
| 多语言支持 | 🌍中英 | 🌍中英 | 🌍中英 |
实验发现
- Qwen在中文场景优势显著，尤其在处理长文本和复杂逻辑问题时表现更优
- BERT的英文事实核查准确率达到92.3%，但中文语料下下降至85.1%
- RoBERTa的训练效率提升30%，但推理阶段仍需优化